تحليل تفسيرات شابلي لفهم سلوك خوارزميات كشف الشذوذ وتكاملها الفريد

في عالم الذكاء الاصطناعي، يُعتبر كشف الشذوذ غير المراقب (Unsupervised Anomaly Detection) واحداً من أكثر التحديات تعقيداً، وذلك بسبب تنوع توزيعات البيانات وغياب العلامات التوضيحية. غالباً ما تُستخدم أساليب التجميع (Ensemble Methods) لمواجهة هذه التحديات من خلال دمج عدة كواشف، مما يعزز من قوة النتائج ويقلل من الانحياز الفردي.

لكن المشكلة تكمن في بناء مجموعة (Ensemble) حقيقية تتكامل بشكل فعّال، حيث تعتمد العديد من الكواشف على إشارات قرار متشابهة، مما يؤدي إلى إنتاج درجات شذوذ متكررة وغير دقيقة. لتجاوز هذا القيد، قدّم الباحثون منهجية جديدة لتوصيف كواشف الشذوذ من خلال آليات اتخاذ القرارات الخاصة بها.

باستخدام تفسيرات شابلي الإضافية (SHapley Additive exPlanations)، يمكننا قياس كيف يُعلي كل نموذج من أهمية الخصائص المدخلة، ومن ثم قياس التشابه بين الكواشف. لقد أظهرنا أن الكواشف التي تسجل تفسيرات متشابهة تميل إلى إنتاج درجات شذوذ مرتبطة، وتحديد شذوذ متداخل إلى حد كبير. في المقابل، يُشير تباين التفسيرات إلى سلوكيات الكشف التكاملية بشكل موثوق.

قد أثبتت نتائجنا أن المعايير المعتمدة على التفسير توفر معياراً مختلفاً لاختيار النماذج عند تكوين مجموعة فعالة. ومع ذلك، تم التأكيد كذلك على أن التنوع وحده لا يكفي؛ إذ يظل الأداء الفردي العالي شرطاً مسبقاً لإنشاء فرق فعالة.

من خلال استهداف تنوع التفسيرات مع الحفاظ على جودة النماذج، تمكنا من بناء فرق أكثر تنوعاً وتكاملاً، وبالتالي أكثر فعالية في كشف الشذوذ غير المراقب.